Η αλληλουχία μονοκυττάρου RNA (scRNA-seq) καταγράφει ολόκληρη τη μεταγραφική
πληροφορία μεμονομένων κυττάρων. Χρησιμοποιείται ευρέως στον τομέα της βιοιατρικής.
Τα δεδομένα scrna συνήθως έχουν μεγάλο όγκο και χαρακτηρίζονται από θόρυβο. Η
διαδικασία ανίχνευσης βιοδεικτών είναι ανάλογη με την διαδικασία επιλογής
χαρακτηριστικών στην μηχανική μάθηση. Στην παρούσα εργασία συνδυάζονται αλγόριθμοι
επιλογής χαρακτηριστικών με αλγορίθμους βελτιστοποίησης. Η μέθοδος εφαρμόζεται σε
scrna-seq δεδομένα πρώιμου και μεταστατικού ηπατικού καρκινώματος με σκοπό την
ανίχνευση γονιδιακών βιοδεικτών.

Single-cell RNA-sequencing (scRNA-seq) captures the entire transcriptional information of
single cells. It is widely used in the field of biomedicine. scRNA-seq data are usually
characterized by noise. The biomarker detection process is analogous to the feature selection
process in machine learning. In this study feature selection algorithms are combined with
optimization algorithms. The method is applied to scrna-seq data of early state and
metastatic liver carcinoma (HCC) in order to detect gene biomarkers.